提升 YOLO26 训练体验：使用 Comet 简化你的日志记录流程#

记录关键的训练细节，例如参数、指标、图像预测和模型检查点，在机器学习中至关重要——它能保持项目的透明度、让你的进展可衡量并使结果可重复。

Ultralytics YOLO26 与 Comet（原名 Comet ML）无缝集成，可高效捕获并优化 YOLO26 目标检测模型训练过程的各个方面。在本指南中，我们将介绍安装过程、Comet 设置、实时洞察、自定义日志记录和离线使用，确保你的 YOLO26 训练得到全面记录并经过微调，以实现出色的效果。

Comet#

Comet 是一个用于跟踪、比较、解释和优化机器学习模型及实验的平台。它允许你在模型训练期间记录指标、参数、多媒体等内容，并通过美观的网页界面监控你的实验。Comet 帮助数据科学家更快地迭代，增强透明度和可重复性，并辅助开发生产模型。

发挥 YOLO26 与 Comet 的强大威力#

通过将 Ultralytics YOLO26 与 Comet 结合，你将解锁一系列优势。其中包括简化的实验管理、用于快速调整的实时洞察、灵活且定制化的日志记录选项，以及在互联网受限时离线记录实验的能力。这种集成使你能够做出数据驱动的决策，分析性能指标，并获得出色的结果。

安装#

要安装所需的软件包，请运行：

# Install YOLO26 and Comet
pip install ultralytics comet_ml

配置 Comet#

安装所需的软件包后，你需要注册、获取 Comet API Key 并进行配置。

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

然后，进行 Comet 身份验证。Ultralytics 回调会创建实验，并将 YOLO 的 project 训练参数用作 Comet 项目名称。

import comet_ml

comet_ml.login()

如果你正在使用 Google Colab 笔记本，上述代码将提示你输入 API key 进行初始化。

用法#

在深入了解使用说明之前，请务必查看 YOLO26 models offered by Ultralytics。这将帮助你为你的项目需求选择最合适的模型。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo26-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

运行训练代码后，Comet 将在你的 Comet 工作区中自动创建一个实验来跟踪运行。随后，你将获得一个链接，用于查看YOLO26 模型训练过程的详细日志。

Comet 会在无需额外配置的情况下自动记录以下数据：mAP 和损失等指标、超参数、模型检查点、交互式混淆矩阵以及图像边界框预测。

通过 Comet 可视化了解你的模型性能#

让我们深入了解一旦你的 YOLO26 模型开始训练，你将在 Comet 仪表板上看到什么。仪表板是所有操作的核心，通过视觉图表和统计数据呈现一系列自动记录的信息。这里是一个快速浏览：

实验面板

Comet 仪表板的实验面板部分组织并展示了不同的运行及其指标，例如分割掩码损失、类别损失、精确度和平均精确度均值。

Metrics（指标）

在指标部分，你还可以选择以表格形式查看指标，该形式显示在如图所示的专用窗格中。

交互式混淆矩阵

混淆矩阵位于“混淆矩阵”选项卡中，提供了一种评估模型分类准确率的交互式方法。它详细列出了正确和错误的预测，让你了解模型的优势和劣势。

系统指标

Comet 会记录系统指标，以帮助识别训练过程中的任何瓶颈。其中包括 GPU 利用率、GPU 内存使用量、CPU 利用率和 RAM 使用量等指标。这些对于在模型训练期间监控资源使用效率至关重要。

自定义 Comet 日志记录#

Comet 通过设置环境变量提供了自定义其日志记录行为的灵活性。这些配置允许你根据自己的具体需求和偏好来定制 Comet。Ultralytics 回调函数会读取以下环境变量（请在训练开始前设置它们）：

对于布尔开关（COMET_EVAL_LOG_IMAGE_PREDICTIONS 和 COMET_EVAL_LOG_CONFUSION_MATRIX），值 1、true、yes、on、y 和 t 会被解析为 True（不区分大小写）。任何其他值均解析为 False。

记录图像预测#

你可以控制 Comet 在实验期间记录的图像预测数量。默认情况下，Comet 会从验证集中记录 100 张图像预测。不过，你可以更改此数值以更好地满足你的需求。例如，若要记录 200 张图像预测，请使用以下代码：

import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

要完全禁用图像预测日志记录（例如为了减少在慢速连接上的上传流量），请将 COMET_EVAL_LOG_IMAGE_PREDICTIONS 设置为 "false"：

import os

os.environ["COMET_EVAL_LOG_IMAGE_PREDICTIONS"] = "false"

批次日志记录间隔#

Comet 允许你指定记录图像预测批次的频率。COMET_EVAL_BATCH_LOGGING_INTERVAL 环境变量控制此频率。默认设置是 1，它会记录每个验证批次的预测。你可以调整此值以按不同的间隔记录预测。例如，将其设置为 4 将记录每四个批次中的预测。

import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

禁用混淆矩阵日志记录#

在某些情况下，你可能不希望在每个轮次之后都记录验证集的混淆矩阵。你可以通过将 COMET_EVAL_LOG_CONFUSION_MATRIX 环境变量设置为 "false" 来禁用此功能。混淆矩阵将仅在训练完成后记录一次。

import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

在线和离线模式#

默认情况下，Comet 在在线模式下运行，并将实验数据流式传输到 Comet 服务器。如果你需要在没有网络连接的情况下进行训练，请在训练开始前设置 COMET_START_ONLINE=0。实验数据会保存在本地，稍后可以使用 comet upload CLI 上传。

import os

os.environ["COMET_START_ONLINE"] = "0"  # 1 (default) = online, 0 = offline

项目名称#

默认情况下，Comet 回调会将 YOLO 的 project 训练参数传递给 Comet（当该参数未设置时传递 None，在这种情况下 Comet 会使用你的工作区默认值）。你可以使用 COMET_PROJECT_NAME 覆盖此设置，以将所有实验发送到特定的 Comet 工作区项目，而不管 YOLO 训练参数如何：

import os

os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"

模型产物名称#

COMET_MODEL_NAME 设置 Comet 为记录的模型构件注册的名称（默认为 Ultralytics）。使用它来区分共享工作区中的模型变体：

import os

os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"

置信度得分缩放#

检测置信度得分在 [0, 1] 范围内输出，但 Comet UI 默认以百分比刻度显示它们。回调会在记录前将每个得分乘以 COMET_MAX_CONFIDENCE_SCORE（默认值为 100.0）。如果你更喜欢原始概率或不同的刻度，请调整此项：

import os

os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0"  # log raw [0, 1] scores

总结#

本指南带你完成了将 Comet 与 Ultralytics 的 YOLO26 集成的过程。从安装到自定义，你已经学会了如何精简实验管理、获取实时洞察，并根据你的项目需求调整日志记录。

探索 Comet 官方 YOLOv8 集成文档，该文档同样适用于 YOLO26 项目。

此外，如果你希望深入了解 YOLO26 的实际应用，特别是针对图像分割任务，这篇关于使用 Comet 微调 YOLO26 的详细指南提供了宝贵的见解和分步说明，以提升你的模型性能。

此外，要探索与 Ultralytics 的其他精彩集成，请查看集成指南页面，其中提供了丰富资源和信息。

常见问题解答#